論文の概要: Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow
Forecasting
- arxiv url: http://arxiv.org/abs/2207.05064v1
- Date: Sat, 9 Jul 2022 19:21:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 13:28:13.743937
- Title: Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow
Forecasting
- Title(参考訳): 交通流予測のための適応グラフ空間時間変換器ネットワーク
- Authors: Aosong Feng and Leandros Tassiulas
- Abstract要約: 複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。
既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。
本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
- 参考スコア(独自算出の注目度): 6.867331860819595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic flow forecasting on graphs has real-world applications in many
fields, such as transportation system and computer networks. Traffic
forecasting can be highly challenging due to complex spatial-temporal
correlations and non-linear traffic patterns. Existing works mostly model such
spatial-temporal dependencies by considering spatial correlations and temporal
correlations separately and fail to model the direct spatial-temporal
correlations. Inspired by the recent success of transformers in the graph
domain, in this paper, we propose to directly model the cross-spatial-temporal
correlations on the spatial-temporal graph using local multi-head
self-attentions. To reduce the time complexity, we set the attention receptive
field to the spatially neighboring nodes, and we also introduce an adaptive
graph to capture the hidden spatial-temporal dependencies. Based on these
attention mechanisms, we propose a novel Adaptive Graph Spatial-Temporal
Transformer Network (ASTTN), which stacks multiple spatial-temporal attention
layers to apply self-attention on the input graph, followed by linear layers
for predictions. Experimental results on public traffic network datasets,
METR-LA PEMS-BAY, PeMSD4, and PeMSD7, demonstrate the superior performance of
our model.
- Abstract(参考訳): グラフ上のトラフィックフロー予測は、交通システムやコンピュータネットワークなど、多くの分野で実世界の応用がある。
複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。
既存の研究はほとんどの場合、空間的相関と時間的相関を別々に考慮し、直接的空間的相関をモデル化できないような空間的依存をモデル化している。
本稿では,近年のグラフ領域におけるトランスフォーマーの成功に触発されて,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上の空間的時間的相関を直接モデル化する。
時間的複雑さを低減するため,空間的隣接ノードに注意受容場を設定し,空間的時間的依存関係を隠蔽する適応グラフも導入した。
これらの注意機構に基づき,複数の空間的-時空間的注意層を積み重ねて入力グラフにセルフアテンションを施し,予測のための線形層を配置する適応グラフ空間-時空間トランスフォーマネットワーク (asttn) を提案する。
公共交通ネットワークデータセットであるMETR-LA PEMS-BAY, PeMSD4, PeMSD7の実験結果から, モデルの性能が向上したことを示す。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳(メタデータ) (2024-11-01T00:37:00Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-25T03:37:00Z) - Dynamic Graph Convolutional Network with Attention Fusion for Traffic
Flow Prediction [10.3426659705376]
本稿では,同期時空間相関をモデル化するための注意融合型動的グラフ畳み込みネットワークを提案する。
我々は、4つの実世界の交通データセットにおいて、我々の手法が18のベースライン法と比較して最先端の性能を上回ることを示す広範な実験を行った。
論文 参考訳(メタデータ) (2023-02-24T12:21:30Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-25T08:45:14Z) - SST-GNN: Simplified Spatio-temporal Traffic forecasting model using
Graph Neural Network [2.524966118517392]
我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。
我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
論文 参考訳(メタデータ) (2021-03-31T18:28:44Z) - Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow
Forecasting [35.072979313851235]
交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。
既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。
本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
論文 参考訳(メタデータ) (2020-12-15T14:03:17Z) - Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing
Demand Prediction [3.084885761077852]
ライドシェアの需要予測は、リソースの事前配置、車の利用率の向上、ユーザエクスペリエンス向上に役立つ。
既存の配車需要予測手法は、近隣地域でのみ同様の重要性を割り当てている。
本研究では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
論文 参考訳(メタデータ) (2020-06-07T13:00:19Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。